Простыми словами: агент не должен просто сказать “продадим 100 штук”. Он должен показать базовый прогноз, объяснить, какие факторы повлияли на расчет, где данные ненадежны и какие решения нужно подтвердить человеку.
Хороший агент начинает с baseline forecast: простого воспроизводимого прогноза по истории. Затем он учитывает сезонность, акции, праздники, рекламные кампании, наличие товара, stockout, цену, возвраты, маркетплейсы, тренды и изменения ассортимента. LLM здесь полезна для объяснения и сценариев, но сами расчеты лучше делать кодом или проверяемой моделью.
Самая частая ошибка в прогнозе спроса - спутать низкие продажи с низким спросом. Если товара не было на складе, продажи упали не потому, что спрос исчез. Поэтому агент должен видеть остатки, stockout, резервы и доступность товара на каналах продаж.
Для бизнеса важен не только прогноз, но и действие: что заказать, где пополнить склад, какие SKU под риском, где будет избыток, какую партию запустить в производство и какие позиции проверить вручную. Такие рекомендации должны проходить через approval, особенно если они приводят к закупке, производственному заказу или изменению запасов.
Запускать агента лучше с узкого сценария: прогноз на 2-4 недели по группе товаров, отчет по рискам stockout, анализ ошибки прогноза или рекомендации для закупок. После этого можно подключать 1С, ERP, маркетплейсы, Google Sheets, BI и регулярный backtest качества прогноза.
Примеры
- Агент смотрит продажи за прошлые 12 месяцев, остатки и календарь акций, затем строит прогноз спроса по SKU на следующие 4 недели.
- Товар продавался плохо, но агент видит, что две недели был stockout. Он не снижает прогноз автоматически, а помечает период как искаженный.
- Закупщик получает список товаров с риском дефицита: текущий остаток, скорость продаж, ожидаемая дата stockout и рекомендуемый объем заказа.
- В производстве агент сравнивает прогноз спроса с BOM и остатками материалов, затем показывает, какие комплектующие станут узким местом.
- После месяца агент делает backtest: сравнивает прогноз с фактом, считает forecast error и показывает, где модель ошиблась сильнее всего.
Где используется
- прогноз продаж по SKU
- контроль риска stockout
- планирование закупок
- планирование производства
- анализ сезонности
- учет промо и событий
- backtest прогноза
- расчет forecast error
- поиск избытка запасов
- сверка спроса и остатков
- отчеты для закупок и склада
- планирование маркетплейсов
Связанные термины
Частые вопросы
Что делает ИИ-агент для прогноза спроса?
Он анализирует продажи, остатки, сезонность, промо, события и каналы продаж, строит прогноз, показывает риски stockout или избытка и готовит рекомендации для закупок, склада или производства.
Может ли агент сам создавать заказы поставщикам?
Лучше нет. Агент может подготовить рекомендацию и черновик заказа, но закупка, запуск производства и изменение запасов должны проходить через approval ответственного человека.
Какие данные нужны для прогноза спроса?
Нужны история продаж, остатки, stockout, заказы, возвраты, цены, промо, календарь событий, каналы продаж, сроки поставки, минимальные партии и правила пополнения.
Где агент чаще всего ошибается?
В периодах stockout, новых товарах без истории, резких промо, сезонных всплесках, смене цены, разных единицах измерения, неполных данных маркетплейсов и товарах с заменителями.
Как проверять качество прогноза?
Нужно делать backtest, считать forecast error, сравнивать прогноз с baseline, отдельно смотреть товары со stockout и проверять, сколько рекомендаций пришлось исправлять вручную.
